論文の概要: Multi-fold Correlation Attention Network for Predicting Traffic Speeds
with Heterogeneous Frequency
- arxiv url: http://arxiv.org/abs/2104.09083v1
- Date: Mon, 19 Apr 2021 06:58:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 14:33:57.176826
- Title: Multi-fold Correlation Attention Network for Predicting Traffic Speeds
with Heterogeneous Frequency
- Title(参考訳): 不均一周波数による交通速度予測のための多面相関注意ネットワーク
- Authors: Yidan Sun, Guiyuan Jiang, Siew-Kei Lam, Peilan He, Fangxin Ning
- Abstract要約: 交通データ間の空間相関をモデル化する新しい測定法を提案する。
その結果,交通状況によって相関パターンは大きく異なることがわかった。
実世界のデータセットの実験では、提案されたMCANモデルが最先端のベースラインより優れていることが示されている。
- 参考スコア(独自算出の注目度): 17.3908559850196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Substantial efforts have been devoted to the investigation of spatiotemporal
correlations for improving traffic speed prediction accuracy. However, existing
works typically model the correlations based solely on the observed traffic
state (e.g. traffic speed) without due consideration that different correlation
measurements of the traffic data could exhibit a diverse set of patterns under
different traffic situations. In addition, the existing works assume that all
road segments can employ the same sampling frequency of traffic states, which
is impractical. In this paper, we propose new measurements to model the spatial
correlations among traffic data and show that the resulting correlation
patterns vary significantly under various traffic situations. We propose a
Heterogeneous Spatial Correlation (HSC) model to capture the spatial
correlation based on a specific measurement, where the traffic data of varying
road segments can be heterogeneous (i.e. obtained with different sampling
frequency). We propose a Multi-fold Correlation Attention Network (MCAN), which
relies on the HSC model to explore multi-fold spatial correlations and leverage
LSTM networks to capture multi-fold temporal correlations to provide
discriminating features in order to achieve accurate traffic prediction. The
learned multi-fold spatiotemporal correlations together with contextual factors
are fused with attention mechanism to make the final predictions. Experiments
on real-world datasets demonstrate that the proposed MCAN model outperforms the
state-of-the-art baselines.
- Abstract(参考訳): 交通速度予測精度向上のための時空間相関の調査に,本研究が注力している。
しかしながら、既存の作業は通常、観測されたトラフィック状態のみに基づいて相関をモデル化する(例えば、)。
トラフィック速度) トラフィックデータの相関測定が異なる状況下で多様なパターンを示す可能性があることを考慮せずに。
さらに、既存の研究は、全ての道路セグメントが同じトラフィック状態のサンプリング周波数を利用できると仮定している。
本稿では,トラヒックデータ間の空間相関をモデル化する新しい測定方法を提案するとともに,トラヒックの状況によって,結果の相関パターンが著しく変化することを示す。
本研究では, 道路区間の交通データを不均質にすることが可能な, 特定測定に基づく空間相関を捉えるための不均質空間相関モデル(hsc)を提案する。
異なるサンプリング周波数で得られる)。
本稿では,多次元空間相関を探索するためにhscモデルに依拠し,lstmネットワークを用いて多次元時間相関を捉え,高精度なトラヒック予測を実現するマルチフォールド相関注意ネットワーク(mcan)を提案する。
学習した多次元時空間相関と文脈因子を注意機構で融合させて最終的な予測を行う。
実世界のデータセットの実験は、提案されたMCANモデルが最先端のベースラインより優れていることを示した。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳(メタデータ) (2024-11-01T00:37:00Z) - Deep Multi-View Channel-Wise Spatio-Temporal Network for Traffic Flow Prediction [18.008631008649658]
underlineMulti-underlineView underlineChannel-wise underlineSpatio-underlineTemporal underlineNetwork (MVC-STNet)
我々は,マルチチャネル交通流予測の新たな課題について検討し,深いアンダーラインMulti-underlineViewアンダーラインChannel-wiseアンダーラインTempを提案する。
論文 参考訳(メタデータ) (2024-04-23T13:39:04Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - A Correlation Information-based Spatiotemporal Network for Traffic Flow
Forecasting [4.933291769305828]
交通パターンを予測するための新しい相関情報に基づく時間ネットワーク(CorrSTN)を提案する。
特に,最新のモデルであるASTGNNを12.7%,14.4%,27.4%,MAE,RMSE,MAPEをそれぞれ改善した。
論文 参考訳(メタデータ) (2022-05-20T04:38:49Z) - STCGAT: Spatial-temporal causal networks for complex urban road traffic
flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。
既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。
本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文 参考訳(メタデータ) (2022-03-21T06:38:34Z) - Space Meets Time: Local Spacetime Neural Network For Traffic Flow
Forecasting [11.495992519252585]
このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。
交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。
提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
論文 参考訳(メタデータ) (2021-09-11T09:04:35Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳(メタデータ) (2021-04-27T18:17:42Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳(メタデータ) (2021-01-24T03:55:39Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳(メタデータ) (2020-12-25T01:40:29Z) - Forecast Network-Wide Traffic States for Multiple Steps Ahead: A Deep
Learning Approach Considering Dynamic Non-Local Spatial Correlation and
Non-Stationary Temporal Dependency [6.019104024723682]
本研究では,交通予測における2つの問題について検討する。(1)交通リンク間の動的・非局所的な空間的相関を捉え,(2)正確な複数ステップの予測を行うための時間依存性のダイナミクスをモデル化する。
本稿では,これらの問題に対処するため,時空間列列モデル(STSeq2Seq)というディープラーニングフレームワークを提案する。
このモデルは、時間的特徴を捉えるためにシーケンスからシーケンス(seq2seq)アーキテクチャに基づいて構築され、空間情報を集約するためのグラフ畳み込みに依存している。
論文 参考訳(メタデータ) (2020-04-06T03:40:56Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳(メタデータ) (2020-01-09T10:21:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。